KI im Portfoliomanagement

Künstliche Intelligenz kann Unternehmensberichte analysieren, Tausende von Risikosignalen überwachen und Portfolioänderungen weitaus schneller prüfen als ein Investmentteam, das manuell arbeitet. Das bedeutet jedoch nicht, dass sie Märkte zuverlässig vorhersagen oder das Verlustrisiko ausschließen kann. Für Anleger ist die entscheidende Frage nicht, ob ein Portfolio als KI-gestützt bezeichnet wird, sondern welche Entscheidungen die Technologie beeinflusst, welche Daten diese Entscheidungen stützen und wer die Verantwortung trägt, wenn das Modell falsch liegt.

Die Rolle der KI im Portfoliomanagement

KI im Portfoliomanagement deckt ein breites Spektrum an Anwendungsbereichen ab. Einige Systeme gewinnen Informationen aus Jahresabschlüssen, Ergebniskonferenzen, Nachrichtenberichten und Marktdaten. Andere schätzen Risiken ein, ermitteln Zusammenhänge zwischen Vermögenswerten, testen potenzielle Handelsgeschäfte oder unterstützen Manager dabei, Portfolios entsprechend einem bestimmten Ziel zusammenzustellen.

Modelle des maschinellen Lernens unterscheiden sich von herkömmlichen Anlageregeln dadurch, dass sie eine große Anzahl von Variablen untersuchen und Muster erkennen können, ohne dass jede einzelne Beziehung im Voraus programmiert werden muss. Ein System könnte beispielsweise bewerten, wie sich Veränderungen bei Zinssätzen, Rohstoffpreisen, Unternehmensmitteilungen und Marktvolatilität in der Vergangenheit auf eine Gruppe von Wertpapieren ausgewirkt haben.

Generative KI dient einem anderen Zweck. Sie kann Forschungsergebnisse zusammenfassen, Fragen zu internen Dokumenten beantworten und Portfoliodaten in Entwürfe für Kundenkommentare umwandeln. Sie mag zwar den Zugriff auf Informationen erleichtern, wird aber nicht allein deshalb zum Anlageexperten, weil ihre Erklärungen überzeugend klingen.

Der Begriff “KI-Portfoliomanagement” sagt daher für sich genommen wenig aus. Er kann ein ausgeklügeltes institutionelles Risikomanagementsystem beschreiben, einen Robo-Advisor, der relativ konventionelle Allokationsregeln anwendet, oder eine Verbraucherplattform, die ein bestehendes Anlageprodukt um einen Chatbot erweitert hat.

Wo KI einen echten Mehrwert schaffen kann

Anlageteams verarbeiten mehr Informationen, als eine einzelne Person lesen kann. KI kann dabei helfen, diese Informationen zu klassifizieren, relevante Fakten zu extrahieren und Analysten auf Veränderungen hinzuweisen, die besondere Aufmerksamkeit erfordern.

Ein Modell könnte beispielsweise feststellen, dass die Unternehmensleitung in ihren Äußerungen weniger zuversichtlich geworden ist, dass sich die Entwicklung des Betriebskapitals verändert hat oder dass mehrere Portfoliounternehmen ein gemeinsames Risiko aufweisen, das durch ihre formellen Sektoreinstufungen nicht erfasst wird. Außerdem kann es einen neuen Bericht effizienter mit den Offenlegungen aus früheren Jahren abgleichen, als dies einer Person möglich wäre, die dieselbe Recherche manuell durchführt.

Das Risikomanagement bietet einen weiteren sinnvollen Anwendungsbereich. Mithilfe von Technologie lässt sich berechnen, wie ein Portfolio auf Veränderungen bei Zinssätzen, Währungen, Kreditspreads oder Aktienvolatilität reagieren könnte. Außerdem lassen sich damit Konzentrationen aufdecken, die schwer zu erkennen sind, wenn Vermögenswerte über mehrere Fonds, juristische Personen und Verwahrstellen gehalten werden.

Plattformen wie „Aladdin“ von BlackRock sind darauf ausgelegt, Portfolio-, Risiko- und operative Informationen in einem gemeinsamen System zusammenzuführen. Ihr Nutzen liegt weniger in der Erstellung einer einzelnen Marktprognose als vielmehr darin, dass sie Anlageexperten dabei unterstützen, Engagements einheitlich zu erfassen und die Folgen möglicher Entscheidungen zu prüfen.

KI kann zudem die operativen Kontrollen verbessern, indem sie ungewöhnliche Transaktionen, Abweichungen bei der Kontenabstimmung oder Verstöße gegen Portfolionormen identifiziert. Diese Anwendungen können repetitive Arbeitsschritte reduzieren und die Mitarbeiter gleichzeitig auf die Ausnahmen lenken, die eine Beurteilung erfordern.

Portfoliooptimierung ist keine Kristallkugel

Bei der Portfoliooptimierung geht es darum, eine Kombination von Anlagewerten auszuwählen, die bei einem bestimmten Risikoniveau eine attraktive erwartete Rendite bietet. KI kann zusätzliche Daten einbeziehen und Zusammenhänge modellieren, die bei herkömmlichen Ansätzen möglicherweise übersehen werden.

Die Einschränkung besteht darin, dass die erwarteten Renditen, Risiken und Korrelationen weiterhin geschätzt werden müssen. Diese Schätzungen sind mit Unsicherheiten behaftet und können sich rasch ändern. Vermögenswerte, die unter normalen Marktbedingungen nur schwach miteinander verbunden schienen, können in einer Krise gemeinsam an Wert verlieren – genau dann, wenn Diversifizierung am dringendsten benötigt wird.

Ein komplexes Modell kann zu einer Allokation führen, die zwar mathematisch präzise erscheint, jedoch auf Annahmen beruht, die zu instabil sind, um diese Allokation zu stützen. Geringfügige Änderungen der Eingabedaten können mitunter zu erheblichen Veränderungen im empfohlenen Portfolio führen.

Daher sind Beschränkungen unerlässlich. Anlageteams können das Engagement in einem einzelnen Unternehmen, Sektor oder Land begrenzen, Mindestliquiditätsanforderungen festlegen und den Umschlag beschränken. Diese Regeln verhindern, dass der Optimierungsprozess ein theoretisch effizientes Portfolio anstrebt, das in der Praxis undurchführbar oder übermäßig konzentriert wäre.

KI kann die Analyse verbessern, aber sie kann die Ziele des Anlegers nicht bestimmen. Entscheidungen über akzeptable Verluste, Liquiditätsbedarf, Anlagehorizont und ethische Einschränkungen bleiben grundsätzlich eine menschliche Angelegenheit.

Mehr Daten führen nicht automatisch zu besseren Entscheidungen

Alternative Daten haben das Informationsspektrum für Anlageverwalter erweitert. Satellitenbilder, Web-Traffic, Stellenanzeigen, Versanddaten, Kreditkartentransaktionen und die Stimmung im Internet können Hinweise auf wirtschaftliche oder unternehmerische Aktivitäten liefern, noch bevor herkömmliche Finanzberichte veröffentlicht werden.

Dieser Vorteil kann nur vorübergehend sein. Sobald viele Anleger denselben Datensatz erwerben und ähnliche Modelle verwenden, kann sich diese Information in den Marktpreisen widerspiegeln. Was einst ein eindeutiges Signal war, kann zu einem teuren Gut werden.

Daten können zudem unvollständig oder irreführend sein. Kartentransaktionen können bestimmte Verbrauchergruppen überproportional widerspiegeln, Online-Aktivitäten können manipuliert und Satellitendaten falsch interpretiert werden. Historische Aufzeichnungen können Lücken aufweisen oder Zustände widerspiegeln, die nicht mehr zutreffen.

Auch Rechtskonformität und Datenschutz spielen eine Rolle. Unternehmen müssen wissen, wie die Informationen erhoben wurden, ob sie für Anlagezwecke verwendet werden dürfen und ob einzelne Personen identifiziert werden können. Der Kauf von Daten von Dritten entbindet den Anlageverwalter nicht von seiner Verantwortung, deren Herkunft zu prüfen.

Ein Modell, das anhand großer Mengen minderwertiger Informationen trainiert wurde, kann Fehler schneller und in größerem Umfang produzieren als ein menschlicher Analyst.

Das Problem sich wandelnder Märkte

Modelle des maschinellen Lernens lernen aus historischen Beispielen. Märkte sind jedoch adaptive Systeme, die von Politik, Technologie, Regulierung und dem Verhalten anderer Anleger beeinflusst werden.

Eine Strategie, die in einer Phase sinkender Zinsen trainiert wurde, kann sich bei steigender Inflation unerwartet verhalten. Ein Zusammenhang, der vor einer regulatorischen Änderung beobachtet wurde, kann danach verschwinden. Modelle, die in ruhigen Märkten entwickelt wurden, können die Geschwindigkeit unterschätzen, mit der Liquidität in Stresssituationen schwindet.

Dies wird als Modelldrift oder Regimewechsel bezeichnet. Die Umgebung weicht zunehmend von den in den Trainingsdaten abgebildeten Bedingungen ab, wodurch die Zuverlässigkeit der Ergebnisse abnimmt.

Wertpapierfirmen müssen überwachen, ob sich ein Modell wie erwartet verhält, und nicht nur, ob es technisch funktionsfähig bleibt. Die Leistung sollte mit den ursprünglichen Annahmen verglichen werden, wobei klare Schwellenwerte für eine Überprüfung, Einschränkung oder Einstellung festgelegt werden sollten.

Menschliche Überprüfung ist besonders wichtig, wenn das Modell auf etwas stößt, das es zuvor noch nicht gesehen hat. Genau dann kann die automatisierte Konfidenzbewertung am irreführendsten sein.

Personalisierung stößt an praktische Grenzen

KI kann Beratern dabei helfen, Portfolios individuell auf die Ziele, die Risikobereitschaft, die steuerliche Situation und den Liquiditätsbedarf eines Anlegers abzustimmen. Außerdem kann sie erkennen, wann ein Portfolio von seiner Zielallokation abgewichen ist oder wann sich aufgrund veränderter Umstände eine Überprüfung anbieten könnte.

Dadurch könnten auch Kunden von einer individuellen Anpassung profitieren, die bei einer traditionellen Privatbank kein vollständig maßgeschneidertes Portfolio erhalten würden. Die Qualität des Ergebnisses hängt jedoch von den bereitgestellten Informationen ab.

Ein Fragebogen kann nicht immer erfassen, wie ein Anleger auf einen tatsächlichen Verlust reagieren wird. Manche geben vielleicht an, dass sie mit Schwankungen gut zurechtkommen, wenn die Märkte steigen, verkaufen dann aber beim ersten größeren Kursrückgang.

Personalisierung kann auch zu einem Marketinginstrument werden. Eine Plattform kann ein Standardportfolio mit geringfügigen Anpassungen als hochgradig individuelle Strategie präsentieren. Anleger sollten sich fragen, welche Elemente tatsächlich maßgeschneidert sind und welche für alle Kunden einer breiten Kategorie gleich bleiben.

Ein Algorithmus kann dabei helfen, festgelegte Präferenzen in eine Allokation umzusetzen. Er kann jedoch nicht feststellen, ob der Anleger die Konsequenzen verstanden hat.

Kann KI die Marktentwicklung vorhersagen?

KI kann Wahrscheinlichkeiten abschätzen und historische Muster erkennen. Sie kann jedoch nicht mit Sicherheit vorhersagen, wie die Märkte auf eine Wahl, einen Krieg, eine behördliche Entscheidung, eine unerwartete Gewinnmitteilung oder eine Veränderung der Anlegerstimmung reagieren werden.

Prognosen können zudem den Markt beeinflussen, für den sie erstellt wurden. Wenn viele Unternehmen vergleichbare Daten und Modelle verwenden, können sie zur gleichen Zeit ähnliche Vermögenswerte kaufen und verkaufen. Dies kann die ursprüngliche Chance schmälern und Preisbewegungen möglicherweise verstärken.

Erfolgreiche quantitative Unternehmen zeigen, dass systematische Anlagestrategien funktionieren können. Sie beweisen jedoch nicht, dass ein handelsübliches KI-Tool ihre Ergebnisse reproduzieren kann. Führende Unternehmen kombinieren eigene Daten, Infrastruktur, Forschung, Ausführungssysteme und über Jahre hinweg gesammeltes Wissen. Ihre Modelle werden zudem von spezialisierten Teams entwickelt und überwacht.

Eine Verbraucher-App, die behauptet, mithilfe künstlicher Intelligenz die Gewinneraktien von morgen zu identifizieren, sollte daher mit großer Skepsis betrachtet werden. Eine ausgefeilte Fachsprache ist kein Beweis für Vorhersagefähigkeit.

Wofür lohnt es sich, Geld auszugeben?

KI kann sich lohnen, wenn sie eine bessere Konsolidierung, effizientere Recherche, bessere Risikotransparenz oder eine bessere operative Kontrolle ermöglicht. Für ein Family Office kann die Möglichkeit, die Engagements in öffentlichen und privaten Vermögenswerten zu überblicken, wertvoller sein als eine weitere Quelle für Handelsempfehlungen.

Zuverlässige Daten und eine nahtlose Integration sind besonders wichtig. Eine Plattform sollte darlegen, mit welchen Verwahrstellen, Banken und Marktquellen sie verbunden ist, wie Informationen abgeglichen werden und wie private Vermögenswerte bewertet werden.

Auch eine Szenarioanalyse kann hilfreich sein. Das System sollte es dem Anleger oder Manager ermöglichen, zu untersuchen, was unter verschiedenen Annahmen passieren könnte, anstatt eine einzige Prognose als die zu erwartende Zukunft darzustellen.

Transparenz ist wichtiger als Neuartigkeit. Die Nutzer sollten verstehen, worauf das Modell Einfluss nimmt, wie seine Leistungsfähigkeit getestet wird und in welchen Fällen eine menschliche Überprüfung erforderlich ist. Einem System, das seine Grenzen nicht erklären kann, sollte nicht allein aufgrund der Komplexität seiner internen Berechnungen mehr Vertrauen geschenkt werden.

Was Sie in der Regel überspringen können

Anleger brauchen kein KI-Produkt, nur weil der Begriff modern klingt. Viele Robo-Advisor nutzen einfache Portfolioregeln, die auf Diversifizierung, regelmäßige Neugewichtung und kostengünstige Fonds basieren. Diese mögen durchaus nützlich sein, sollten aber nicht zu einem hohen Preis angeboten werden, nur weil der Benutzeroberfläche ein Chatbot hinzugefügt wurde.

Auch tägliche Portfolioempfehlungen sind für die meisten langfristigen Anleger überflüssig. Häufige Umschichtungen können die Kosten und die Steuerbelastung erhöhen und die Versuchung verstärken, auf Marktgerüchte zu reagieren.

Stimmungsindizes und Prognose-Dashboards mögen zwar ausgefeilt wirken, ohne jedoch die Ergebnisse zu verbessern. Fragen Sie sich, ob die Informationen eine festgelegte Entscheidung beeinflussen und ob die behauptete Verbesserung unter Berücksichtigung der Kosten überprüft wurde.

Vor allem sollten Sie Produkte meiden, die durchweg überdurchschnittliche Renditen, Schutz vor Verlusten oder die Fähigkeit versprechen, Marktbewegungen mit außergewöhnlicher Genauigkeit vorherzusagen. Die Aufsichtsbehörden sind bereits gegen Wertpapierfirmen vorgegangen, die irreführende Angaben über den Einsatz von KI gemacht haben. Durch “AI-Washing” kann eine gewöhnliche oder unbewährte Strategie fortschrittlicher erscheinen, als sie tatsächlich ist.

Fragen, die man einem Anbieter stellen sollte

Fragen Sie sich zunächst, was die KI eigentlich leistet. Unterstützt sie die Recherche, wählt sie Wertpapiere aus, legt sie die Vermögensaufteilung fest, passt sie das Portfolio an oder kommuniziert sie mit Kunden?

Fragen Sie nach, welche Daten das Modell verwendet und ob der Anbieter rechtlich dazu berechtigt ist, diese zu nutzen. Erkundigen Sie sich, wie oft das System getestet wird, wer dessen Ergebnisse überprüft und unter welchen Umständen das Unternehmen das System außer Kraft setzen oder aussetzen würde.

Angaben zur Wertentwicklung sollten mit Vorsicht betrachtet werden. Prüfen Sie, ob die Ergebnisse auf tatsächlichen Portfolios oder auf historischen Simulationen basieren, ob Gebühren und Handelskosten darin enthalten sind und welcher Referenzindex verwendet wurde. Ein nach der Entwicklung des Modells durchgeführter Backtest ist nicht gleichbedeutend mit einer unabhängig überprüften Wertentwicklungshistorie.

Der Anbieter sollte außerdem erläutern, wie Kundendaten gespeichert werden und ob sie zum Trainieren externer Modelle verwendet werden. Portfoliobestände, steuerliche Verhältnisse und persönliche Finanzziele sind sensible Daten.

Fragen Sie abschließend, wer für die Anlageentscheidung verantwortlich ist. Technologie entbindet einen Berater oder Vermögensverwalter nicht von seinen rechtlichen und beruflichen Pflichten.

Das Risiko gängiger Modelle

Wenn viele Finanzinstitute auf dieselben Modellanbieter, Cloud-Dienste und Datensätze zurückgreifen, könnte die Branche stärker vernetzt sein, als es auf den ersten Blick erscheint.

Modelle könnten ähnlich auf einen Marktschock reagieren, vergleichbare Portfolioanpassungen empfehlen oder dieselben fehlerhaften Informationen falsch interpretieren. Die daraus resultierenden Handelsgeschäfte könnten die Volatilität verstärken.

Die Abhängigkeit von einer kleinen Anzahl von Technologieanbietern birgt zudem operative Risiken. Ein Ausfall, ein Cyberangriff oder eine Modellaktualisierung könnte zahlreiche Unternehmen gleichzeitig beeinträchtigen. Anlageverwalter benötigen Notfallpläne und müssen in der Lage sein, kritische Prozesse auch dann weiterzuführen, wenn ein Anbieter ausfällt.

Die Auslagerung eines Modells bedeutet nicht, dass die Verantwortung ausgelagert wird. Unternehmen müssen das System ausreichend verstehen, um dessen Ergebnisse zu hinterfragen und mit dessen Versagen umzugehen.

Die menschliche Aufsicht muss echt sein

Die Einbindung einer Person am Ende eines automatisierten Prozesses garantiert noch keine sinnvolle Überwachung. Mitarbeiter könnten die Empfehlungen des Modells akzeptieren, weil das System objektiver erscheint oder weil ihnen die Zeit und das Fachwissen fehlen, um diese zu hinterfragen.

Eine wirksame Aufsicht erfordert den Zugriff auf die relevanten Daten, ein Verständnis für den Verwendungszweck des Modells sowie die Befugnis, dessen Empfehlungen abzulehnen. Entscheidungen sollten dokumentiert werden, insbesondere wenn das System Einfluss auf die Portfolioallokation oder die Beratung eines Kunden hat.

Anlageexperten werden zunehmend nicht nur als Wertpapieranalysten und Portfoliostrategen, sondern auch als „Model Stewards“ fungieren. Sie müssen erkennen können, wann KI nützliche Erkenntnisse liefert, wann sie lediglich eine bestehende Einschätzung bestätigt und wann sie ein trügerisches Vertrauen weckt.

Der effektivste Prozess verbindet rechnerische Leistungsfähigkeit mit menschlicher Verantwortung. KI kann Muster erkennen und Szenarien durchspielen; Menschen müssen entscheiden, ob diese Muster wirtschaftlich sinnvoll sind und den Bedürfnissen des Anlegers entsprechen.

Ein besserer Standard für KI-verwaltete Portfolios

Ein KI-gestütztes Portfolio sollte nach wie vor dieselben grundlegenden Kriterien erfüllen wie jeder andere Anlageansatz. Es sollte ein klares Ziel, nachvollziehbare Kosten, eine angemessene Streuung und ein Risiko aufweisen, das der Verlusttoleranz des Anlegers entspricht.

Seine Wertentwicklung sollte mit einer einfacheren Alternative verglichen werden. Wenn ein kostengünstiges, diversifiziertes Portfolio ein ähnliches Ergebnis erzielt, sind die zusätzliche Komplexität und die damit verbundenen Kosten möglicherweise nicht gerechtfertigt.

Anleger sollten zudem zwischen besserem Portfoliomanagement und besserer Präsentation unterscheiden. Automatisch generierte Kommentare und ansprechend gestaltete Dashboards können die Kommunikation verbessern, ohne dass sich die zugrunde liegenden Anlagen dadurch verbessern.

KI wird sich voraussichtlich in den Bereichen Forschung, Portfolioaufbau, Risikomanagement und Kundenservice etablieren. Ihr nachhaltigerer Beitrag dürfte darin bestehen, Fachleuten dabei zu helfen, Informationen zu verarbeiten und komplexe Portfolios konsequenter zu überwachen, anstatt sie durch eine autonome Anlage-Engine zu ersetzen.

Die Technologie kann das Portfoliomanagement beschleunigen und fundierter gestalten, aber sie kann weder Unsicherheiten beseitigen noch festlegen, worauf ein Anleger Wert legen sollte. Setzen Sie KI dort ein, wo sie die Faktenlage, die Transparenz und die Disziplin verbessert. Bleiben Sie skeptisch, wenn sie als Ersatz für Diversifizierung, Urteilsvermögen oder Verantwortung dargestellt wird.